Se considera ampliamente que los taxis sin licencia representan un riesgo para la seguridad pública e interfieren con la gestión efectiva del tráfico. Se destinan importantes recursos humanos y materiales por parte de los departamentos de control de tráfico para localizar estos vehículos con éxito limitado. Este estudio sugiere un enfoque inteligente basado en big data de trayectorias titulado Detección de Taxis sin Licencia basada en Incrustación de Grafos de Trayectoria (TGE-UTD) para identificar taxis sin licencia sospechosos y abordar este problema. La implementación del modelo consta de tres etapas: primero, los datos de Reconocimiento Automático de Matrículas (ANPR) se transforman en un grafo de trayectoria; segundo, se utiliza un paseo aleatorio sesgado para incrustar el grafo de trayectoria; y finalmente, se obtiene el conjunto de vehículos similares a los taxis con licencia conocidos como el conjunto de taxis sin licencia sospechosos utilizando la similitud del coseno del vector de incrustación del vehículo. A través de evaluaciones de precisión y experimentos de reducción de dimensiones, se compara el rendimiento del modelo de paseo TGE-UTD con el de los modelos sin paseo Word2Vec y Doc2Vec en la detección de grandes vehículos y taxis. Se observa que TGE-UTD exhibe el mejor rendimiento entre los tres modelos. Este estudio pionero en la aplicación de aprendizaje automático para la extracción de características en la detección de taxis sin licencia. El modelo propuesto en el estudio puede ser implementado para detectar taxis sin licencia; además, su aplicación puede extenderse para detectar otros tipos de vehículos, proporcionando a los departamentos de gestión de tráfico información de detección de vehículos de apoyo.